Технический отчет по UI-TARS-2 представляет нативную модель агента, ориентированную на графический интерфейс пользователя (GUI), которая решает проблемы масштабируемости данных, многошагового обучения с подкреплением и стабильности среды посредством систематической методологии обучения. Этот подход включает цикл генерации данных для масштабируемого создания данных, стабилизированную структуру многошагового RL, гибридную среду GUI, интегрирующую файловые системы и терминалы, а также единую платформу песочницы.
- На бенчмарках GUI UI-TARS-2 достигает 88.2 на Online-Mind2Web, 47.5 на OSWorld, 50.6 на WindowsAgentArena и 73.3 на AndroidWorld, превосходя сильные базовые модели, такие как агенты Claude и OpenAI.
- В игровых средах он достигает среднего нормализованного балла 59.8 в наборе из 15 игр, достигая примерно 60% от уровня человеческого исполнения и оставаясь конкурентоспособным с передними проприетарными моделями, такими как OpenAI o3 на LMGame-Bench.
- Модель демонстрирует устойчивость за счет обобщения на задачи поиска информации с длинным горизонтом и бенчмарки по разработке программного обеспечения.
Эти результаты подчеркивают потенциал UI-TARS-2 в продвижении состояния GUI-агентов и проявляют сильную способность к обобщению в реальных интерактивных сценариях.